Sommaire
SOMMAIRE INTRODUCTION
1. DESCRIPTION SUCCINCTE DES OUTILS UTILISES POUR LA REALISATION DE L’ETUDE MONTE CARLO 2. ANALYSE EN FAISANT VARIER LE PRIX DES MATIERES PREMIERES
2.1 PRIX DES HYDROCARBURES ET LEURS DERIVES 2.2 PRIX DES COMMODITES AGRICOLES
2.3 PRIX DES COMMODITES FORESTIERES 2.4 PRIX DES BIOCARBURANTS IMPORTES
2.5 INFLUENCE DU PRIX SUR LES CHOIX TECHNOLOGIQUES –FOCUS SUR LES PROCEDES DE PRODUCTION D’HUILE PAR DES MICROORGANISMES
3. ANALYSE SUR QUATRE JEUX DE PARAMETRES –FOCUS SUR LE SECTEUR DES BIOCARBURANTS 3.1 METHODOLOGIE DE CALCUL
3.1.1 Bornes sur les disponibilités des matières premières 1.1.1.1 Secteur agricole métropolitain
1.1.1.2 Secteur forestier métropolitain
1.1.1.3 Secteur des industries agroalimentaires
1.1.1.4 Importations
3.1.2 Bornes des émissions de GES 3.1.3 Coûts des technologies
3.2 TRAJECTOIRES TECHNOLOGIQUES OPTIMALES DANS L’INCERTITUDE 3.3 INFLUENCE DU TAUX D’ACTUALISATION SUR CETTE EVOLUTION CONCLUSIONS
198
Introduction
L’analyse prospective est souvent utilisée comme outil d’aide à la décision. Or, les modèles de prospective sont constitués d’un grand nombre de paramètres. Leurs valeurs peuvent fluctuer dans de larges intervalles et sont susceptibles d’influer plus ou moins fortement sur la trajectoire technologique de moindre coût. Il est donc intéressant d’élaborer une approche qui permet de baliser ces incertitudes et d’identifier des technologies robustes, i.e. celles qui ont une forte chance de se développer.
L’analyse Monte Carlo, qui consiste à multiplier le nombre de scénarios en faisant varier les valeurs de ces paramètres est une solution. Elle permet aussi de s’affranchir d’éventuels cas particuliers propres à la prise en compte de valeurs fixées. L’enjeu est alors de synthétiser et de rendre intelligibles les résultats de cette méthode.
Les chapitres 3 à 5 ont permis de présenter diverses questions qui se posent concernant le secteur des bioénergies : quelle est la disponibilité réelle des ressources biomasse pour l’énergie ? À quel coût ? Comment pourrait-elle être restreinte par d’autres secteurs concurrents ? Quelle stratégie adopter pour les biocarburants ? Comme évoluera-t-elle si les procédés innovants gagnent en compétitivité ? Comment serait-elle remise en cause par un contexte réglementaire différent ? Comment ces biocarburants participeraient-ils aux efforts de réduction des émissions de gaz à effet de serre ? Et comment la stratégie serait-elle à nouveau modifiée par la prise en compte d’externalités supplémentaires ?
Pour y répondre, nous nous sommes basés sur le modèle bioénergie que nous avons enrichi avec de nouveaux attributs, e.g. émissions de GES, consommation d’énergie non renouvelable et eutrophisation pour les procédés de production de biocarburants ou secteur de la chimie biosourcée. Nous avons aussi établi un certain nombre de scénarios pour proposer des visions contrastées concernant les disponibilités en biomasse, les objectifs de consommation ou les contraintes réglementaires, par exemple.
Le but de l’étude, présentée dans ce dernier chapitre, est d’appréhender les enjeux des bioénergies à l’aide d’une approche de type Monte Carlo. Pour cela, nous utilisons un outil qui permet de réaliser un grand nombre de scénarios et qui permet ensuite de les traiter statistiquement. Nous décrirons le dans un premier temps.
Puis, nous ferons varier les prix des matières premières dans des plages de valeurs plausibles. Nous aborderons alors la question de l’influence du prix des commodités sur le développement d’un procédé de production de biocarburant de troisième génération dont on a vu l’intérêt stratégique en termes de décuplement de la disponibilité dans les chapitres précédents : la production d’huile par des microorganismes.
Nous effectuerons ensuite une analyse Monte Carlo sur trois jeux de paramètres en plus des prix des matières premières : les potentiels de disponibilité, les émissions de gaz à effet de serre et les coûts des technologies. Les trajectoires technologiques moyennes et leurs dispersions seront commentées et nous terminerons par étudier l’influence du taux d’actualisation sur ces trajectoires optimales.
199
1.
Description succincte des outils utilisés pour la réalisation de l’étude
Monte Carlo
La mise en synergie de plusieurs outils développés au Centre de Mathématiques Appliquées (CMA) nous a permis de déployer une analyse Monte Carlo, inédite pour ce type d’études prospectives et d’aller ainsi plus loin dans la compréhension et dans l’analyse du secteur des bioénergies.
Le schéma de principe de l’approche, représenté figure 6.1, explicite ces différents outils et leurs interactions. Premièrement, un fichier de données dans lequel les P paramètres sont décrits en ligne et les N jeux de valeurs, qui définissent N scénarios, sont donnés en colonne, est créé. Deuxièmement, un outil EtudeSensi, développé par Sébastien Folio (CMA) et Évariste Chaintreau (CMA), permet d’intégrer ce fichier de données au modèle que l’on souhaite utiliser. Une routine intégrée à l’outil permet d’effectuer les calculs pour les N scénarios et les intégrer à une base de données PostgreSQL. Enfin, une routine Matlab développée dans le cadre de cette thèse permet d’effectuer des requêtes sur cette base de données et de réaliser les traitements souhaités.
Figure 6.1 : Schéma présentant l’enchainement des outils nécessaire à la réalisation de l'analyse Monte Carlo
Si le résultat souhaité a déjà été programmé, le processus demande peu d’interventions de l’utilisateur : pour générer le fichier de données initial, lancer la routine de l’outil EtudeSensi et lancer la routine Matlab adéquate. Celles-ci sont décrites dans l’annexe 6.1.
Deux analyses type Monte Carlo sont maintenant présentées, une première où seuls les prix des commodités sont tirés aléatoirement dans une plage de valeurs. Le champ de l’analyse de sensibilité est élargi dans la seconde partie : en plus des prix, les potentiels, les émissions de gaz à effet de serre et les coûts des technologies varient dans une plage de valeurs plausibles. L’avantage de ne faire varier que les prix des commodités dans un premier temps est de pouvoir identifier simplement les raisons des choix technologiques faits par le modèle. Un outil a été développé à cet effet qui permet d’afficher simultanément l’évolution du niveau de production du procédé d’intérêt et le prix des commodités choisies. Cette analyse est rendue moins aisée dans la seconde partie car l’ensemble des paramètres varient simultanément.
2.
Analyse en faisant varier le prix des matières premières
Pour étudier l’influence du prix des commodités sur le déploiement technologique de la filière biomasse, cinq cent scénarios avec des prix variables sont calculés. Les prix sont tirés aléatoirement